應用聚類神經網絡的異纖檢測多類光源優化設計

杜玉紅， 楊程午， 蔣秀明， 劉仁杰， 蔡文超

(1. 天津工業大學， 天津 300387； 2. 天津市現代機電裝備技術重點實驗室，天津 300387； 3. 北京大恒圖像視覺有限公司， 北京 100085)

應用聚類神經網絡的異纖檢測多類光源優化設計

杜玉紅1,2， 楊程午1,2， 蔣秀明1,2， 劉仁杰1,2， 蔡文超3

(1. 天津工業大學， 天津 300387； 2. 天津市現代機電裝備技術重點實驗室，天津 300387； 3. 北京大恒圖像視覺有限公司， 北京 100085)

為使電荷耦合元件(CCD)精確采集處理異纖圖像并對多類異纖進行檢測，提出了一種基于模糊聚類神經網絡的異纖檢測多類光源優化設計方法。通過分析CCD成像與入射光能量的關系，推導出多類異纖檢測的光源量，建立了CCD靶面曝光量函數，確定光源的最佳檢測位置，通過圖像參數方程，分析CCD背景板圖像的光線分布及平均灰度，通過模糊聚類分析，綜合考慮輸入值的全部信息建立了多類光源的模糊聚類神經網絡，對光源進行優化設計。設計結果表明，最佳檢測位置是異纖處于中心位置，在光源數量為10，兩側距離為3 mm，神經網絡的收斂誤差均達到預期值，異纖檢出率達到94.79%，符合企業異纖檢測實際生產的要求。

異纖檢測； 光源優化設計； 電荷耦合元件； 模糊聚類分析

異性纖維是指嚴重影響棉紡織品質量的非棉纖維，異纖檢測裝置主要采用機器視覺技術實現異纖在線檢測。由于異纖的種類較多，物理化學性質不相同，所以針對不同種類的異纖，檢測裝置需要配備不同類型光源進行檢測，主要包括白色光、激光、紫外光、紅外光等。

1998年，Church等[1]發現在2 250～2 400 nm紅外波段下的光譜峰值差別較大，提出在紅外光譜范圍內區分白色異性纖維和棉花；通過分析紅外光譜，提出白色異性纖維的最佳檢測波段[2]；一種白光和熒光交替成像檢測方法，能有效檢測出皮棉中的有色和白色異纖[3]；華才健等[4]提出一種基于線激光的檢測方法，有效地識別了大部分白色異纖；羅德坡等[5]提出一種結合紫外線熒光效應的機器視覺方法，可有效地清除棉花中白色異性纖維。Thomasson[6]提出利用雜質顏色來識別，通過光學濾色片獲得異纖圖像，獲得了良好的效果；We等[7]提出并應用基于最小噪聲分離超光譜圖像的識別方法(MNF)來提取降低多光譜圖像的維數特征；通過小波多層分解實現檢測圖像中的不同頻率信息成分的分離，實現了對異性纖維的檢測[8]。運用聚類統計分類的方法獲取的異纖圖像信息，判斷異性纖維[9]。將含有異纖的織物灰度圖像進行預處理，輸入神經網絡后檢測二元織物圖像的形態重建后的缺陷[10]。

通過國內外研究發現，目前異纖檢測系統研究和檢測裝置主要采用單一類型光源，不能對全部異纖進行檢測剔除。在優化設備時對異纖檢測光源優化理論研究極少，為此本文研究了異纖檢測多類光源，分析CCD相機入射能量與光照能量的關系，設計模糊聚類BP神經網絡預測分析異纖檢測照明系統最佳光源數量和光源距離，并利用實驗平臺進行了驗證，以期為異纖檢測提供理論和實踐支持。

1 異纖檢測光源設計

1.1 異纖檢測光源種類

對不同類異纖，檢測有不同種光源，如白色光、紫外光、紅外光等。白色光主要對普通彩色異纖進行檢測；與棉花顏色相近的白色異纖中主要是紙張和白色丙綸絲，含有增白劑，在紫外線的照射下激可發出波長為400～500 nm明亮熒光，而棉纖維在紫外線的照射下不變色，所以可采用紫外光進行檢測；由于紅外線對棉花、錦綸、塑料等都有一定的穿透能力，這些異纖會出現吸收峰，經圖像處理后會出現灰度較低的區域，可確定異纖位置[11-12]。

1.2 異纖檢測光源選型

設計的異纖檢測實驗平臺結構示意圖如圖1所示。異纖檢測工作原理是含有異性纖維的原棉在鋪放系統8提供的持續氣流下進入透明的棉流檢測通道1，在通道兩側紅外線4、紫外線3、白色光2源的照射下，彩色CCD相機6對原棉流進行掃描，采集含有異纖的原棉圖像并進行分析處理，隨后工控機7驅動異纖剔除系統的高速電磁閥，釋放氣流將異纖剔除。

注：1—檢測通道；2—白色熒光燈；3—紫外線燈管；4—紅外線燈管； 5—背景板；6—CCD相機；7—工控機；8—鋪放系統。圖1 異纖檢測實驗平臺結構示意圖Fig.1 Schematic diagram of experimental platform for different fiber detection

異纖檢測實驗平臺配置的2臺工業相機為JAI公司生產的3-CCD相機，在光波長為365～850 nm范圍內的響應度R為64 V·μJ/cm2。采用8-bit數據深度采集，輸出的灰度值最暗值0對應0 V，最亮值255對應1.84 V。

異纖檢測實驗平臺白色熒光燈管型號為Philips life max 系列中的TL-D18W/840，冷白色，色溫 4 000 K，光通量1 350 lm。紫外燈管型號為Philips的18 W/BLB，紅外線燈管為朗普公司的LPS，光源功率為70 W，有效光照范圍0.005～3.000 m。查閱相關文獻得到最佳照明波長，白色熒光燈為550 nm，紫外光燈管為365 nm，紅外燈管為850 nm,故實驗平臺測試研究采用的波長范圍為365～850 nm。

棉花中所夾雜的大部分的異纖如羊毛、麻繩、羽毛、頭發等屬于吸光體，所以異纖檢測實驗平臺光源采用前向照明，照射為直射方式。前向照明能增強采集圖像中被測物不同部分的灰度差別,有利于分辨被測物內部不同部分結構。直射光方向性強,光能量相對集中,光源亮度高,有較強的明暗對比度。本照明系統有利于異纖與棉花形成鮮明的明暗對比度，便于在CCD相機上形成清晰圖像，有利于異纖快速準確的檢出[13-14]。

1.3 異纖檢測實驗平臺光源數量

異纖檢測實驗平臺要求CCD相機的灰度值為100，光能轉換后得到的電壓值V為721.5 mV，則確定響應度R后，得到傳感器的能量密度為

(1)

式中：V為CCD上光能轉換后的電壓值，R為CCD相機的響應度。

曝光一定時間t后，CCD傳感器所需的入射光的輻射度為

(2)

物體表面亮度，即反光體表面反光強弱為

(3)

式中：Ti為鏡頭的透射率；f為鏡頭的光圈數(F數)；m為成像系統的放大倍數。

物體表面照度E，即單位面積所接受可見光的能量為

(4)

式中：R為物體表面反射率(0

光源發射出的亮度為

(5)

式中：S為光源直徑；Ls為物體到光源的距離；φ為物體表面法線和光源所成的角度。

由式(1)～(5)推算光源亮度L2=22.610 7 cd/cm2。

實驗平臺配置燈管的平均亮度為0.85 cd/cm2，在CCD相機增益g=6 dB時，理論上所需的照明燈管的數量為14，如圖2所示。

圖2 異纖檢測實驗平臺光源數量Fig.2 Number of light source in the experiment platform

2 光源檢測位置數學建模與應用

假定白色光、紫外光、紅外光燈管均為一個矩形的雙面發光體，即“朗伯輻射體”[15-16]，其長度為燈管發光部全長，寬度為燈管直徑，其光源在各個方向上的亮度近似一致。矩形面光源長度為2b，寬為2a，檢測通道兩側光源到檢測對象的距離為di，與檢測對象法線夾角為αi。異纖檢測光源光照分析如圖3所示。O為光源外被檢測物上任意一點，在矩形光源所在的平面內的投影為O′，其所在的光源面積元是dS0,O″為dS0左側一微小面積光源dS1上與其過O′垂線交點，OO′與檢測對象面積元的法線夾角為α，x為O1到O″的距離，X為O1到O′的距離，r為O到面積元dS1的距離，OO″與矩形光源法線夾角θ1，θ2為θ1內錯角。

圖3 異纖檢測光源光照分析圖Fig.3 Analysis of light illumination of different fiber detection light source

光源發光面為余弦發射面，其亮度在檢測對象面積元的亮度為

(6)

式中：Φ為光源的光通量；S為光源表面積,L為面積元的亮度。

X左右兩側面積為dS的微小面光源在O點處的照度為

(7)

整個光源在O點處的照度為

(8)

原點O1右側到O1的距離為x的點的照度為

(9)

多個非相干光源疊加的照度，是各個光源照度之和，即

(10)

本照明系統中的光源數量為14個，則檢測對象上一點x的照度為

E=7aL[Φ(α1,b,d1,x)+Φ(α2,b,d2,x)]

(11)

檢測對象異纖的表面為“全擴散表面”[17]。亮度L″=ρE/π，其中ρ為漫反射系數。檢測對象表面經相機鏡頭到達CCD靶面的照度為

(12)

式中：τ為光學系統透過率；F=f′/D，為F制“光圈數”。

CCD靶面在單位面積在時間t內接收的曝光量為

H=E′t

(13)

CCD靶面曝光量H為

(14)

曝光度函數H(α1，α2，d1，d2，x)中自變量取值為α1=45o,α2=60o,d1=0.1 m,d2=0.1 m，φ=1 350 lm，2b=0.66 mm，Fmax=2.8，ρ=0.8，τ=0.68，t=0.000 115 s，則有

(15)

當x∈[0,0.33]范圍時曝光量函數H(x)所繪曲線，如圖4所示。

圖4 曝光量函數曲線Fig.4 exposure function curve

從曲線可知H(x)呈拋物線狀，曝光量最大值為0.103 5 lx·s。因所建函數模型起點是熒光燈的前端，所以檢測對象處于光源中間部位時，檢測位置最佳，此時相機的接受的光能最多，檢測效果最好。

3 光源檢測參數的分析和計算

3.1 圖像參數方程的建立

在不同數量和距離的光源條件下，收集棉紡織企業常見異纖如圖5所示，作為實驗對象。根據采集到背景板的圖像變化來建立圖像參數方程，判斷分析照明效果。CCD掃描區域是一個窄長的區域，寬度方向上分布有70個像素，長度方向上分布有 2 048 個像素，如圖6所示。

圖5 棉紡織企業常見異纖Fig.5 Common fiber of cotton textile enterprises

圖6 CCD采集背景板的圖像Fig.6 CCD acquisition of background image of board

設光線在背景板上分布均勻，取每個像素點的R、G、B平均值及灰度值。其中，取R[i]、G[i]、B[i]分別為相應像素點的R、G、B值，L[i]為相應像素點的灰度值，則有：

L[i]=0.299R[i]+0.587G[i]+0.114B[i]

Rm=max(R[i])-min(R[i])

Gm=max(G[i])-min(G[i])

Bm=max(B[i])-min(B[i])

Lv=∑(L[i])/2 048;

(16)

式中:Rm、Gm、Bm分別為圖像中R、G、B變化最大的值，反映了CCD采集的圖像中光線分布的均勻程度，值越大說明光線越不均勻。Lv是圖像中的灰度平均值，為圖像的平均亮度，值越大越說明光線越好[18]。

3.2 不同光源數量下的數據分析

彩色試紙與大部分的異纖同屬于吸光體，屬性相近，實驗時為減少形狀大小對實驗的影響，故采用20 mm×2 mm彩色試紙進行異纖檢測實驗。將燈管進行編號，分別為L1、L2……L7，R1、R2……R7打開不同數量的燈進行實驗，通過圖像參數方程獲得不同數量燈管下的Rm、Gm、Bm、Lv如表1所示。

表1 不同光源數量下圖像R、G、B值和灰度值Tab.1 R、G、B value and gray value of image under different light sources

在不同光源數量下，Rm、Gm、Bm的最大值分別146、142、146，Lv的最小值為51.66。

3.3 不同光源距離的下數據分析

將異纖檢測實驗平臺的兩側光源分別向左側、右側、兩側同時移動不同距離，在各組試驗中，采集CCD背景圖像，通過圖像參數方程計算各個像素點的Rm、Gm、Bm值和灰度值，數據如表2所示。

在不同光源距離下，Rm、Gm、Bm的最大值分別149、146、152，Lv的最小值為55.52。光源在不同數量和距離下的值處在一個變化不大的范圍內，存在一定的相似性和規律性，符合模糊聚類神經網絡原理，故采用下文運用基于模糊聚類分析神經網絡進行光源數量和距離預測分析。

表2 不同距離圖像R、G、B值和灰度值Tab.2 R、G、B value and gray value of different distance images

注：Rmf,Gmf,Bmf,Lvf；Rmr,Gmr,Bmr,Lvr；Rm,Gm,Bm,Lv分別表示光源左側、右側、兩側同時移動不同距離時所采集圖像的R、G、B值和灰度值。

4 基于神經網絡模型的光源優化

4.1 異纖檢測光源BP神經網絡模型

以Rm、Gm、Bm、Lv為神經網絡的輸入量,用歸一化函數將Rm、Gm、Bm、Lv不同的數值歸一化到[-1,1]，異纖光源BP神經網絡結構如圖7所示。

圖7 異纖光源神經網絡結構圖Fig.7 structure of neural network with different fiber source

ωij為反向傳播過程中異纖光源神經網絡隱含層第j節點到輸入層第i節點的權值；αj隱含層的閾值。φ(x)為隱含層的激勵函數，選用tansig函數，函數返回值位于(-1，1)；ωj表示在誤差反向傳播過程中輸出層到隱含層第j個節點之間的權值。Φ(x)為輸出層的激勵函數,選用purelin函數；β為輸出層閾值；L(M)是神經網絡輸出層的輸出值，即為光源的最佳數量及距離值。

4.2 模糊聚類異纖光源對隱含層優化

本文采用基于模糊等價關系的特征抽取方法，對異纖光源神經網絡隱含層進行優化。在輸入中為了防止把輸入值相近而期望輸出值相差較大的樣本歸為一類，綜合考慮輸入量的全部信息[19-20]。

以不同光源數量的像素點Rm、Gm、Bm值和灰度值數據研究為例，隱層節點數確定的模糊聚類分析法的步驟如下。

4.2.1數據處理

設論域U={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}，x1為L1,R1；x2為L1,L3；……；x10為L2,R2,L7,R7被分類的10個對象，每個對象有4性狀：x1為rm，xi2為Gm，xi3為Bm，xi4為Lv，則xi={xi1,xi2,xi3,xi4} (i=1,2,…,10)，得到原始數據矩陣

將模糊矩陣的數據壓縮到[0,1]上。采用平移極差變換進行數據標準化，

則標準化矩陣為

4.2.2模糊相似矩陣建立

標定運用了歐幾里得距離法：

rij=1-c×d(xi,xj)

模糊相似矩陣為

4.2.3傳遞閉包的計算

用平方法計算模糊相似矩陣R，R2，R4，…，R2t，…，當第1次出現Rk*Rk=Rk時，則稱Rk為傳遞閉包。

聚類步驟：(1)令T={1,2,3…10}，取xi∈T(1),令X、Q為空集；(2)令j=0；(3)若R(xi,xj)≥λ且xj?X，則令X=X∪{j}，Q=Q∪{j}，j=j+1；(4)若j

4.2.4聚類分析

采用直接聚類法，取水平值λ∈[0,1]，根據文獻λ取值范圍為0.989～0.991。當λ取不同分類系數時，進行模糊聚類分析結果如表3所示。

4.3 神經網絡的仿真

選用神經網絡中Levenberg-Marquardt算法，運用相似方法計算矩陣，公式如下：

xk+1=xk-[JTJ+μI]-1JTe

(17)

式中：J為訓練神經網絡，如果μ=0，即變成近似Hessian矩陣的擬牛頓法；如果μ較大的話，則成為小步長的梯度下降法，因牛頓法在誤差極小點附近能夠快速準確收斂，所以算法的目標即是盡快轉換為牛頓法。如果訓練成功，誤差性能函數減小，則減小μ值；如果訓練失敗，則增加μ值。該方法使誤差性能函數隨著迭代的進行而下降到極小值。

表3 聚類分析結果Tab.3 Results of cluster analysis

異纖光源優化根據樣本數據的特點選取網絡學習率為0.01，訓練次數為200，訓練精度為10-5，完成對神經網絡的訓練。網絡誤差收斂圖如圖8所示。

圖8 網絡誤差斂圖Fig.8 Convergence of network error. (a) Left side of light source; (b) Right side of light source; (c) Both sides of light source; (d) Under different light source

4組網絡訓練后，誤差曲線均逐漸收斂到最佳值，收斂誤差為10-5至10-8，滿足精度要求。

4.4 結果分析

在相機理論拍攝圖像最佳條件下，采集所拍攝背景板的圖像，提取Rm、Gm、Bm、Lv，作為神經網絡的輸入值，根據神經網絡預測光源的最佳距離及最佳數量。通過異纖檢出率實驗進行驗證。最終結果為光源左側移動6 mm，異纖檢出率為89.69%；光源右側移動6 mm，異纖檢出率為91.22%；光源兩側移動3 mm，異纖檢出率為91.38%；光源數量為10的條件下，檢出率為92.79%。在光源數量為10的條件下，光源兩側移動的距離為3 mm的最優照明光源模型下，異纖的檢出率為94.79%，滿足實際生產要求，則說明聚類神經網絡預測理論分析在光源優化上的應用的可行性。

5 結 論

本文根據多類異纖特點選擇了白色光、紫外光、紅外光源進行異性纖維圖像處理檢測，提出了一種基于聚類神經網絡多類異纖檢測的光源優化設計方法。

1)通過分析CCD傳感器成像與入射光光能之間的轉換關系，在至少保證紫外光燈管1對，紅外光燈管1對前提下，確定了白色熒光燈3對能滿足異纖檢出要求。

2)通過建立光源檢測質量模型和CCD靶面曝光函數，分析得知檢測對象處于光源中間部位時為最佳檢測位置，相機所接受的光照強度最大，檢測效果最佳。

3)提取CCD背景板圖像像素點的R、G、B平均值及灰度值，建立圖像參數方程，通過模糊聚類分析優化神經網絡的隱含層，優化設計多類光源的數量和距離。通過實驗驗證，異纖檢出率達到94.79%，滿足實際生產要求，對機器視覺中的光源選擇和照明優化具有一定的指導作用。

[1] CHURCH J S, O′NEILL JA, WOODHEAD A L. Detection of fibrillated polymeric contaminants in wool and cotton yarns[J]. Applied Spectroscopy, 1998, 56(8): 1039-1046.

[2] 楊文柱, 李道亮, 魏新華, 等. 基于光譜分析的棉花異性纖維最佳波段選擇方法[J]. 農業工程學報, 2009, 25(10): 186-192.

YANG Wenzhu, LI Daoliang, WEI Xinhua, et al. Optimal band selection method for cotton foreign fibers based on spectral analysis[J]. Journal of Agricultural Engineering, 2009, 25(10): 186-192.

[3] 周飛, 丁天懷, 瞿鑫. 皮棉異性雜質的白光/熒光交替成像檢測法[J]. 清華大學學報(自然科學版)，2010, 50(8): 1234-1238.

ZHOU Fei, DING Tianhuai, QU Xin. Lint anisotropic impurity of white light / fluorescence alternating imaging detection method[J]. Tsinghua University Jour-nal(Science and Technology),2010, 50(8): 1234-1238.

[4] 華才健, 蘇真偉, 喬麗, 等. 基于線激光的棉花中白色異性纖維檢測[J]. 農業機械學報, 2012, 43(2): 181-185.

HUAI Caijian, SU Zhenwei, QIAO Li, et al. White foreign fibers detection in cotton using line laser[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(2):181-185.

[5] 羅德坡, 朱邦太, 李勛. 紫外線熒光效應及其在棉花異性纖維分揀系統中的應用[J]. 河南科技大學學報(自然科學版), 2007, 28(2): 63-66.

LUO Depo, ZHU Bangtai, LI Xun. Ultraviolet fluorescent effect and in cotton isomerism fibre sorting system application[J]. Journal of Henan University of Science and Technology (Natural Science Edition), 2007, 28 (2): 63-66.

[6] THOMASSON J A. Image processing solution to cotton color measurement problems in gin process control[D]. Lexington: University of Entucky, 1997, 67(4): 156-162.

[7] WE Xinhua, WU Shu, XU Laiqi, et al. Identification of foreign fibers of seed cotton using hyper-spectral images based on minimum noise fraction[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2014, 30(9): 243-248.

[8] 師紅宇, 管聲啟, 吳寧. 棉花中異性纖維的圖像多分辨率差分檢測方法[J]. 紡織學報, 2014, 35(5):13-18.

SHI Hongyu, GUAN Shengqi, WU Ning. Detection of foreign fibers among cotton based on imagemulti-resolution difference method[J]. Journal of Textile Research, 2014, 35(5):13-18.

[9] 杜玉紅, 王加富, 蔣秀明, 等. 應用聚類統計分析的棉花異纖圖形檢測算法[J]. 紡織學報, 2015,36(3):135-139.

DU Yuhong, WANG Jiafu, JIANG Xiuming, et al. Algorithm for pattern detection of cotton foreign fibers based on cluster statistic analysis[J]. Journal of Textile Research, 2015,36(3):135-139.

[10] CHANDRA A, JAYANTA K, PRADIPTA K, et al.Neural network trained morphological processing for the detection of defects in woven fabric[J]. Journal of the Textile Institute, 2010, 101(8): 699-706.

[11] KANG T J, KIM S C. Objective evaluation of the trash and color of raw cotton by image processing and neural network[J]. Textile Research Journal, 2002, 72(9): 776-782.

[12] 郟東耀, 丁天懷. 棉花中異性纖維的多光譜檢測[J]. 清華大學學報(自然科學版), 2005,45(2): 193-196.

JIA Dongyao, DING Tianhuai. Detecting foreign fibers in cotton using amulti-spectral, technique[J]. Journal of Tsinghua University(Science and Technology), 2005, 45(2): 193-196.

[13] 唐向陽, 張勇, 李江有, 等. 機器視覺關鍵技術的現狀及應用展望[J]. 昆明理工大學學報, 2004, 29(2): 26-31.

TANG Xiangyang, ZHANG Yong, LI Jiangyou, et al. The present situation and application prospect of the key technologies of machine vision [J]. Journal of Kunming University of Science and Technology, 2004,29 (2): 26-31.

[14] 韋平,張林,劉翔,王冬,等. 籽棉中異性纖維的雙光源成像檢測方法[J]. 紡織學報,2017,38(4):32-38.

WEI Ping, ZHANG Lin, LIU Xiang, et al. Detecting method of foreign fibers in seed cotton using double illumination imaging[J]. Journal of Textile Research,2017,38(4):32-38.

[15] 尹中信, 王全良. 機器視覺系統中的照明優化設計[J]. 傳感器與儀器儀表, 2010,26 (3): 129-131.

YIN Zhongxin, WANG Quanliang. Optimal design of illumination in a machine vision system [J]. Sensor and Instrument, 2010, 26 (3): 129-131.

[16] 凌志斌, 鄧超平, 鄭益慧等. 熒光燈光通量波動分析[J]. 照明工程學報, 2003(9): 15-18.

LING Zhibin, DENG Chaoping, ZHENG Yihui, et al. Analysis of light flux fluctuation of [J]. Lighting Engineering, 2003, 9: 15-18.

[17] 劉曙光, 劉明遠. 機器視覺及其應用[J].機械制造, 2000, 38(7): 20-22.

LIU Shuguang, LIU Mingyuan. Machine vision and its application [J]. Machine Manufacturing, 2000, 38 (7): 20-22.

[18] GUO J, YING Y, CHENG F, et al. Detection of foreign materials on the surface of ginned cotton by hyper-spectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(10): 355-360.

[19] 陸系群, 余英林. 設計前饋神經網絡結構的一種新方法[J]. 華南理工大學學報(自然科學版), 1998, 26(1): 112-115.

LU Xiqun, YU Yinglin. A new method for designing the structure of feedforward neural networks [J]. Journal of South China University of Technology (Natural Science Edition), 1998, 26(1): 112-115.

[20] PSICHOGIOS D C, UNGAR L H. SVD-NET: An algorithm that automatically selects network struc-ture[J]. IEEE Trans Neural Networks, 1994, 5(3): 513-515.

Optimizationdesignofmulti-lightsourceforforeignfiberdetectionbasedonclusteringneuralnetwork

DU Yuhong1,2， YANG Chengwu1,2， JIANG Xiuming1,2， LIU Renjie1,2， CAI Wenchao3

(1.TianjinPolytechnicUniversity,Tianjin300387,China; 2.TianjinKeyLaboratoryofModernMechanicalandElectricalEquipmentTechnology,Tianjin300387,China; 3.BeijingDaHengImageVisionCo.,Ltd.,Beijing100085,China)

In order to allow charge-coupled device(CCD) to accurately acquire and process foreign fiber image sand detect multiple types of foreign fibers, a new method based on fuzzy clustering neural network was proposed. By the analysis of the relationship between CCD imaging and the incident light energy, the number of light sources for detecting the multiple types of foreign fibers was determined; the exposure amount function of the CCD target surface was established, and the optimum light source position for detection was determined. Finally, the light distribution and average gray level of the background image for the CCD plate were analyzed by the parametric equation of the images, and by means of fuzzy clustering analysis, considering all the information of the input values, a fuzzy clustering neural network of the multiple type of light sources was established to perform optimization design of the light sources. The design result shows that the best detection position is that the foreign fiber is in the center position, the number of the light sources is 10, and the distance on both sides of the light source is 3 mm; and the neural network convergence error reaches the expected value, and the foreign fiber detection rate reaches 94.79%, meeting the requirements of actual production.

foreign fiber detection; optimization design of light source; charge-coupled device; fuzzy cluster analysis

TP 391.41

A

10.13475/j.fzxb.20161004909

2016-10-17

2017-05-24

國家重點基礎研究發展(973)計劃項目(2010CB334711)；國家自然科學青年基金項目(51205288)；天津市科委面上基金項目(13jcybjc15900)

杜玉紅(1974—)，女，教授，博士。主要研究方向為圖像處理及模式識別、異纖檢測。E-mail：dyh202@163.com。